| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 国内外相关研究工作 | 第15-16页 |
| 1.3 主要研究工作 | 第16-18页 |
| 1.4 本文结构 | 第18-19页 |
| 第二章 相关技术介绍 | 第19-30页 |
| 2.1 个性化推荐算法概述 | 第19-22页 |
| 2.1.1 基于用户或物品的协同过滤算法 | 第20-21页 |
| 2.1.2 基于SVD的协同过滤算法 | 第21-22页 |
| 2.2 社交网络影响力介绍 | 第22-27页 |
| 2.2.1 影响力计算模型 | 第23-25页 |
| 2.2.2 独立级联和线性阈值传播模型 | 第25-27页 |
| 2.3 分布式计算框架介绍 | 第27-29页 |
| 2.3.1 MapReduce框架 | 第27-28页 |
| 2.3.2 Hive框架 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于分布式SVD和社交影响力的APP推荐算法 | 第30-37页 |
| 3.1 算法基本原理 | 第31-32页 |
| 3.2 利用APP预测使用次数生成推荐列表 | 第32-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 基于分布式SVD的APP使用次数预测 | 第37-50页 |
| 4.1 算法基本原理 | 第37-41页 |
| 4.2 建立用户和APP使用次数哈希表 | 第41-45页 |
| 4.3 初始化APP特征矩阵 | 第45-46页 |
| 4.4 迭代计算用户和APP特征矩阵 | 第46-48页 |
| 4.5 利用特征矩阵预测APP使用次数 | 第48-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 基于社交影响力的APP使用次数预测 | 第50-59页 |
| 5.1 算法基本原理 | 第50-53页 |
| 5.2 基于用户数据计算影响力 | 第53-56页 |
| 5.3 利用影响力预测APP使用次数 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 实验分析 | 第59-68页 |
| 6.1 MovieLens公开数据 | 第59-61页 |
| 6.1.1 实验1 D-SVD、 SVD++、UF、CF准确率对比 | 第59-61页 |
| 6.2 腾讯企业级数据 | 第61-67页 |
| 6.2.1 实验2 SVD-WSI、D-SVD命中率对比 | 第61-64页 |
| 6.2.2 实验3 D-SI、WC算法就影响力最大化问题效果对比 | 第64页 |
| 6.2.3 实验4 腾讯数据调研 | 第64-67页 |
| 6.3 本章小结 | 第67-68页 |
| 第七章 总结与展望 | 第68-70页 |
| 7.1 论文总结 | 第68页 |
| 7.2 工作展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士学位期间所取得的科研成果 | 第75页 |
